Examen en profundidad de modelos de aprendizaje automático para la predicción de la temperatura del suelo a diversas profundidades
Autores: Yang, Jong-Won; Dashdondov, Khongorzul
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Examen en profundidad de modelos de aprendizaje automático para la predicción de la temperatura del suelo a diversas profundidades
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Temperatura del suelo
Temperatura del terreno
Modelos de aprendizaje automático
Ajuste de hiperparámetros
Modelo estadístico
Modelos de aprendizaje automático
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 15
Citaciones: Sin citaciones
La temperatura del suelo (TS) es simplemente la medida de la calidez del suelo. A pesar de que la TS juega un papel significativo en la producción agrícola, el método directo para medir la TS es lento, costoso y requiere esfuerzo humano. El principal objetivo de este estudio es construir modelos de aprendizaje automático (AA) para la predicción horaria de la TS a diferentes profundidades (5, 10, 20 y 30 cm) con la optimización de hiperparámetros y menor complejidad. El presente estudio utiliza un modelo estadístico (regresión lineal múltiple (RLM)) y cuatro modelos de AA diferentes (regresión de vectores de soporte (RVS), regresión de bosque aleatorio (RFA), perceptrón multicapa (PMC) y XGBoost (XGB)) para predecir la TS. En total, se recopilaron 13 variables independientes y 5 TS a diferentes profundidades como variables de respuesta de una estación meteorológica a intervalos de 1 h entre el 1 de enero de 2017 y el 1 de julio de 2021. Además, se utilizaron dos conjuntos de datos de entrada diferentes llamados M1 (número seleccionado de parámetros) y M2 (conjunto de datos recopilado con todas las variables) para evaluar el modelo. El estudio actual empleó el enfoque del coeficiente de correlación de rango de Spearman para extraer las mejores características y lo utilizó como el conjunto de datos M1; además, el presente estudio adoptó la imputación por regresión para resolver los problemas de datos faltantes. A partir de los resultados, el modelo XGB superó a los otros modelos estándar basados en AA en la predicción de la TS a cualquier profundidad (MAE = 1.063; RMSE = 1.679; R = 0.978 para TS; MAE = 0.887; RMSE = 1.263; R = 0.979 para TS_5; MAE = 0.741; RMSE = 1.025; R = 0.985 para TS_10; MAE = 0.416; RMSE = 0.551; R = 0.995 para TS_20; MAE = 0.280; RMSE = 0.367; R = 0.997 para TS_30). Por lo tanto, el presente estudio desarrolló un modelo más simple, menos complejo, más rápido y más versátil para predecir la TS a diferentes profundidades para una predicción a corto plazo con un número mínimo de atributos predictivos.
Descripción
La temperatura del suelo (TS) es simplemente la medida de la calidez del suelo. A pesar de que la TS juega un papel significativo en la producción agrícola, el método directo para medir la TS es lento, costoso y requiere esfuerzo humano. El principal objetivo de este estudio es construir modelos de aprendizaje automático (AA) para la predicción horaria de la TS a diferentes profundidades (5, 10, 20 y 30 cm) con la optimización de hiperparámetros y menor complejidad. El presente estudio utiliza un modelo estadístico (regresión lineal múltiple (RLM)) y cuatro modelos de AA diferentes (regresión de vectores de soporte (RVS), regresión de bosque aleatorio (RFA), perceptrón multicapa (PMC) y XGBoost (XGB)) para predecir la TS. En total, se recopilaron 13 variables independientes y 5 TS a diferentes profundidades como variables de respuesta de una estación meteorológica a intervalos de 1 h entre el 1 de enero de 2017 y el 1 de julio de 2021. Además, se utilizaron dos conjuntos de datos de entrada diferentes llamados M1 (número seleccionado de parámetros) y M2 (conjunto de datos recopilado con todas las variables) para evaluar el modelo. El estudio actual empleó el enfoque del coeficiente de correlación de rango de Spearman para extraer las mejores características y lo utilizó como el conjunto de datos M1; además, el presente estudio adoptó la imputación por regresión para resolver los problemas de datos faltantes. A partir de los resultados, el modelo XGB superó a los otros modelos estándar basados en AA en la predicción de la TS a cualquier profundidad (MAE = 1.063; RMSE = 1.679; R = 0.978 para TS; MAE = 0.887; RMSE = 1.263; R = 0.979 para TS_5; MAE = 0.741; RMSE = 1.025; R = 0.985 para TS_10; MAE = 0.416; RMSE = 0.551; R = 0.995 para TS_20; MAE = 0.280; RMSE = 0.367; R = 0.997 para TS_30). Por lo tanto, el presente estudio desarrolló un modelo más simple, menos complejo, más rápido y más versátil para predecir la TS a diferentes profundidades para una predicción a corto plazo con un número mínimo de atributos predictivos.